基于局部-全局时空特征融合的交通流量预测方法及设备技术

本发明专利技术提供了一种基于局部

【技术实现步骤摘要】
基于局部
‑
全局时空特征融合的交通流量预测方法及设备


[0001]本专利技术实施例涉及交通流量预测
，尤其涉及一种基于局部
‑
全局时空特征融合的交通流量预测方法及设备。

技术介绍

[0002]智能交通系统(Intelligent Traffic System，简称ITS)对城市交通运输、安全保障、道路管理发挥着重要的作用，ITS通过对收集的交通大数据进行分析预测，可以非常有效的对城市进行规划和管理。交通预测是ITS的重要组成部分，通过交通流量大数据预测地区未来交通量，从而使得地方政府和社区能够更好的对交通调度和流动管理，减轻车流与人流的矛盾以保证道路交通安全，同时准确的交通流量预测能够预测出地区交通拥堵路段，也能够为人们的出行带来方便，通过预测做出交通决策是一种更简单、更便宜的较少交通拥堵的方案。交通流量预测方法根据历史交通数据创建预测模型，预测未来5
‑
60分钟的短期交通流量状态，是一种时序预测，但交通流量通常是非线性和不确定性的，且随着交通流量数据的增长，这些模型无法进行有效处理。对于空间建模，图卷积网络(GCN)能聚合图节点周围邻居特征，被用于提取真实交通道路网络的空间特征，然而某个节点的交通关系并不只是受到周围节点的影响，这意味着节点之间的关系是非局部的，且并不是所有的节点都会互相影响。对于时间建模，基于RNN的方法通常使用LSTM和GRU来拟合时间依赖，尽管在处理时间序列问题上有着良好的效果，但是采用递归神经网络来捕获交通序列信息会由于长循环路径丢失长期依赖性，其在训练期间不能并行化处理数据。因此，开发一种基于局部
‑
全局时空特征融合的交通流量预测方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。

技术实现思路

[0003]针对现有技术存在的上述问题，本专利技术实施例提供了一种基于局部
‑
全局时空特征融合的交通流量预测方法及设备。
[0004]第一方面，本专利技术的实施例提供了一种基于局部
‑
全局时空特征融合的交通流量预测方法，包括：步骤一：构建数据集，收集高速公路上经过的真实车辆速度信息，构建交通流量数据集；并且根据交通道路网络拓扑图，构建出邻接矩阵；步骤二：构建图注意力网络层，根据网络自己学习的注意力权重提取交通网络拓扑图中不同节点之间的非局部空间依赖特征；步骤三：构建图卷积网络层，提取交通网络拓扑图中每个节点与周围节点聚合的局部空间依赖特征；步骤四：构建门控循环神经网络层，拟合交通流量信息的顺序时长相关性；步骤五：构建transformer网络层，用于并行化处理交通序列信息，并捕获transformer网络层的长期依赖性，对未来交通流量进行预测。
[0005]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于局部
‑
全局时空特征融合的交通流量预测方法，步骤一包括：步骤1.1：由传感器收集过往车辆的速度信息，构建交通流特征矩阵其中N为节点数，P为节点属性特征的数量；步骤1.2：将交通道路
网络拓扑构建为一个图G＝(V,E,A)，其中V为道路节点，E为图节点v
i
与v
j
连接的边，为邻接矩阵，A中的每一个元素a
i,j
为0或1，表示节点v
i
与节点v
j
是否相邻，邻接矩阵计算包括：其中，i,j＝1,
…
,N。
[0006]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于局部
‑
全局时空特征融合的交通流量预测方法，步骤二具体为：步骤2.1：将特征向量x
i
映射到另一个向量为空间，并计算每个节点之间的特征相关性系数：
[0007][0008][0009]其中，x
i
为节点v
i
的特征向量，||为节点属性的连接，为一个权重参数向量，LeakyReLU为非线性激活函数，W是特征向量的权重参数映射向量；步骤2.2：使用softmax激活函数做归一化处理，计算每个节点之间的相关权重：
[0010][0011]步骤2.3：节点之间的相关权重与特征矩阵相乘，得到更新后的特征矩阵，并且使用多头形式在不同子空间中进行拟合：
[0012][0013]其中，x
j
为与节点v
i
计算相关权重的节点的v
j
特征向量，K为注意力头数量，W
k
为第k个注意力头中的权重参数系数，σ为sigmoid激活函数；将每个注意力头在不同子空间中的表达连接后融合输出：X"＝X'W'；其中,W'为权重参数矩阵，且做残差连接：X
″′
＝X+X
″
。
[0014]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于局部
‑
全局时空特征融合的交通流量预测方法，步骤三具体为：步骤3.1：图的拉普拉斯矩阵：其中I
N
为单位矩阵；求出度矩阵：计算对称归一化拉普拉斯矩阵：步骤3.2：构建一层图卷积神经网络：其中，W0为权重参数矩阵，σ为sigmoid激活函数。
[0015]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于局部
‑
全局时空特征融合的交通流量预测方法，步骤四具体为：步骤4.1：构建门控循环神经网络，具体公式包括：
[0016]u
t
＝σ(V
u
[F(X
t
,A),h
t
‑1]+b
u
)；
[0017]r
t
＝σ(V
r
[F(X
t
,A),h
t
‑1]+b
r
)；
[0018]c
t
＝tanh(V
c
[F(X
t
,A),(r
t
*h
t
‑1)]+b
c
)；
[0019]h
t
＝u
t
*h
t
‑1+(1
‑
u
t
)*c
t
；
[0020]其中,u
t
为t时刻的跟新门状态，r
t
为t时刻的重置门状态，c
t
为t时刻的候选隐藏层状态，V
u
，V
r
，V
c
为权重参数矩阵，b
u
，b
r
，b
c
为偏差系数，[]为矩阵连接，h
t
‑1为t
‑
1时刻的输出，tanh为激活函数，σ为sigmoid激活函数。
[0021]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于局部
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部
‑
全局时空特征融合的交通流量预测方法，其特征在于，包括：步骤一：构建数据集，收集高速公路上经过的真实车辆速度信息，构建交通流量数据集；并且根据交通道路网络拓扑图，构建出邻接矩阵；步骤二：构建图注意力网络层，根据网络自己学习的注意力权重提取交通网络拓扑图中不同节点之间的非局部空间依赖特征；步骤三：构建图卷积网络层，提取交通网络拓扑图中每个节点与周围节点聚合的局部空间依赖特征；步骤四：构建门控循环神经网络层，拟合交通流量信息的顺序时长相关性；步骤五：构建transformer网络层，用于并行化处理交通序列信息，并捕获transformer网络层的长期依赖性，对未来交通流量进行预测。2.根据权利要求1所述的基于局部
‑
全局时空特征融合的交通流量预测方法，其特征在于，步骤一包括：步骤1.1：由传感器收集过往车辆的速度信息，构建交通流特征矩阵其中N为节点数，P为节点属性特征的数量；步骤1.2：将交通道路网络拓扑构建为一个图G＝(V,E,A)，其中V为道路节点，E为图节点v
i
与v
j
连接的边，为邻接矩阵，A中的每一个元素a
i,j
为0或1，表示节点v
i
与节点v
j
是否相邻，邻接矩阵计算包括：其中，i,j＝1,
…
,N。3.根据权利要求2所述的基于局部
‑
全局时空特征融合的交通流量预测方法，其特征在于，步骤二具体为：步骤2.1：将特征向量x
i
映射到另一个向量为空间，并计算每个节点之间的特征相关性系数：的特征相关性系数：其中，x
i
为节点v
i
的特征向量，||为节点属性的连接，为一个权重参数向量，LeakyReLU为非线性激活函数，W是特征向量的权重参数映射向量；步骤2.2：使用softmax激活函数做归一化处理，计算每个节点之间的相关权重：步骤2.3：节点之间的相关权重与特征矩阵相乘，得到更新后的特征矩阵，并且使用多头形式在不同子空间中进行拟合：其中，x
j
为与节点v
i
计算相关权重的节点的v
j
特征向量，K为注意力头数量，W
k
为第k个注意力头中的权重参数系数，σ为sigmoid激活函数；将每个注意力头在不同子空间中的表达连接后融合输出：X"＝X'W'；其中,W'为权重参数矩阵，且做残差连接：X
″
＝X+X
″
。4.根据权利要求3所述的基于局部
‑
全局时空特征融合的交通流量预测方法，其特征在
于，步骤三具体为：步骤3.1：图的拉普拉斯矩阵：其中I
N
为单位矩阵；求出度矩阵：计算对称归一化拉普拉斯矩阵：步骤3.2：构建一层图卷积神经网络：其中，W0为权重参数矩阵，σ为sigmoid激活函数。5.根据权利要求4所述的基于局部
‑
全局时空特征融合的交通流量预测方法，其特征在于，步骤四具体为：步骤4.1：构建门控循环神经网络，具体公式包括：u
t
＝σ(V
u
[F(X
t
,A),h
t
‑1]+b
u
)；r
t
＝σ(V
r
[F(X
t
,A),h
t
‑1]+b
r
)；c
t
＝tanh(V
c
...

【专利技术属性】
技术研发人员：宗欣露，陈祯，王春枝，叶志伟，刘伟，陈宏伟，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：